开发工具 2.0:AI 改变软件工程

简介: 对于开发人员来说,还有更多工作要做。 Copilot 利用 OpenAI 的 Codex 模型,可能只是人工智能改变软件工程师工作方式的开始。Andrej Karpathy 在 2017年预测神经网络将创造新一代软件“Software 2.0”,我们可能会看到帮助人们开发的工具被同样重塑——“Developer Tools 2.0”。

生成式人工智能有望改变一个又一个行业的工作方式,但软件工程的转型还没有结束。


GitHub 的 AI 辅助开发工具 Copilot 已经成功地捕捉到了时机,为开发人员提供编码建议,已在多个方面都取得了成功,受到工程师们的喜爱,一年内吸引了超过一百万用户,并显著提高了生产力。(即使是顶尖的工程师,它也可以写出一半甚至更多的代码)。同时,它还有望成为商业巨头。GitHub 拥有1亿用户,Copilot 每个账号每月收费 10-19美元,预计能够创造数十亿美元的年度收入。

Copilot 的成功引发了一场淘金热。创始人们争相将大型语言模型的能力带到各个他行业,构建工具来帮助专业人士撰写、编码、设计和创建媒体。有“律师 Copilot”、“医生 Copilot”和“设计师 Copilot”,还有许多其他的“X Copilot”。这些都是热门的方向,我们认为生成式人工智能有望改变一个又一个行业,使各个行业专业的人在工作中更加有效,消费者满意度也得到提升。

对于开发人员来说,还有更多工作要做。 Copilot 利用 OpenAI 的 Codex 模型,可能只是人工智能改变软件工程师工作方式的开始。Andrej Karpathy 在 2017年预测神经网络将创造新一代软件“Software 2.0”,我们可能会看到帮助人们开发的工具被同样重塑——“Developer Tools 2.0”。

这个领域有很多机会,一些创始人正在迭代编辑器的内容,从 Copilot 中获取帮助,尝试不同的交互模式或不同的模型。想想 Replit 的 Ghostwriter、Soucegraph 的 Cody、TabNine 等等。

向前一步,还有更多其他机会。比如在代码编写之外的工作,调试和文档编写,或者针对工程组织所做的其他工作,例如事故响应。 您可以考虑除“更快地编写代码”以外的价值主张,例如“编写性能更高或更安全的代码”。您可以放弃插件形式,并重新构建整个应用程序。您可以关注软件工程师以外的人物角色,如需要提高笔记本书写能力的数据科学家(参见:Hex),或者苦于撰写SQL查询语句而努力奋斗的数据分析师。有许多机会可供探索,并且有许多地方可供开发人员加入他们的工作流程中。

注:图是整个报告的核心

开发工具2.0.png

建立传奇公司以实现这一目标并不容易。Copilot面临着与软件盗版相关的法律审查问题。作为掌控GitHub和VS Code的现有公司,微软享有显著的分销优势。许多创始人已经开始使用LLMs进行构建,使得竞争更加激烈。并且,GitHub本身刚刚宣布,计划通过GPT-4使Copilot提供更强大的AI功能。

但在我们看来,AI可以改变软件工程领域,这是一个重要而巨大的机遇,问题在于谁能抓住它。我们认为,至关重要的因素将在专注于开发者体验、提供全新能力,以及做出战略性选择如何落地和扩展到开发者工作流程上。成功意味着重新定义工程实践方式,并有可能打造一家具有代表性的企业。


本文来自红杉资本官网 BLOG,Eolink 翻译,

以大语言模型为核心的 AIGC 技术已经在全球掀起创新风潮,Eolink AI 功能实现全新一代「AI+API」结合,大模型驱动打造 API 研发管理与自动化测试全新体验,应用 AI 能力,一键智能生成「API 文档」、「测试数据」「测试方案」,进一步提升 API 的研发效率及减少运维成本。

相关文章
|
25天前
|
机器学习/深度学习 人工智能 安全
探索AI在软件工程中的最新应用:自动化测试与代码审查
探索AI在软件工程中的最新应用:自动化测试与代码审查
|
2月前
|
人工智能 自然语言处理 搜索推荐
通义灵码:AI辅助开发工具的新范式
在大模型时代,阿里云的通义灵码作为AI辅助开发工具,通过提高开发效率、简化协作和降低成本,重塑了软件开发的核心要素。通义灵码基于大模型和自然语言处理技术,实时辅助代码编写、调试和优化,提供个性化支持,显著提升了开发体验。未来,AI将在软件开发中发挥更大作用,通义灵码将继续引领这一变革。
86 0
通义灵码:AI辅助开发工具的新范式
|
4月前
|
人工智能 自然语言处理 测试技术
AI协助开发:未来软件工程的变革
在科技飞速发展的今天,人工智能(AI)已成为软件开发领域的变革力量。AI不仅能自动生成与优化代码、提高开发效率及代码质量,还能实现自动化测试、快速定位错误,确保软件的稳定性与可靠性。通过自然语言处理技术,AI简化了需求分析过程;在项目管理上,AI能优化任务分配,提升团队协作效率。尽管AI的应用带来了诸如数据隐私等新挑战,但随着技术的进步,AI将持续深化参与软件开发的各个环节,为开发人员提供强有力的支持,推动行业向前发展。
|
5月前
|
人工智能 运维 自然语言处理
|
7月前
|
人工智能 开发工具 开发者
生成式AI:重塑开发流程与开发工具的革命性
生成式AI:重塑开发流程与开发工具的革命性
|
6天前
|
机器学习/深度学习 人工智能 自然语言处理
AI技术深度解析:从基础到应用的全面介绍
人工智能(AI)技术的迅猛发展,正在深刻改变着我们的生活和工作方式。从自然语言处理(NLP)到机器学习,从神经网络到大型语言模型(LLM),AI技术的每一次进步都带来了前所未有的机遇和挑战。本文将从背景、历史、业务场景、Python代码示例、流程图以及如何上手等多个方面,对AI技术中的关键组件进行深度解析,为读者呈现一个全面而深入的AI技术世界。
54 10
|
11天前
|
机器学习/深度学习 人工智能 自然语言处理
转载:【AI系统】AI的领域、场景与行业应用
本文概述了AI的历史、现状及发展趋势,探讨了AI在计算机视觉、自然语言处理、语音识别等领域的应用,以及在金融、医疗、教育、互联网等行业中的实践案例。随着技术进步,AI模型正从单一走向多样化,从小规模到大规模分布式训练,企业级AI系统设计面临更多挑战,同时也带来了新的研究与工程实践机遇。文中强调了AI基础设施的重要性,并鼓励读者深入了解AI系统的设计原则与研究方法,共同推动AI技术的发展。
转载:【AI系统】AI的领域、场景与行业应用
|
6天前
|
机器学习/深度学习 人工智能 算法
探索AI在医疗诊断中的应用与挑战
【10月更文挑战第21天】 本文深入探讨了人工智能(AI)技术在医疗诊断领域的应用现状与面临的挑战,旨在为读者提供一个全面的视角,了解AI如何改变传统医疗模式,以及这一变革过程中所伴随的技术、伦理和法律问题。通过分析AI技术的优势和局限性,本文旨在促进对AI在医疗领域应用的更深层次理解和讨论。
|
11天前
|
人工智能 缓存 异构计算
云原生AI加速生成式人工智能应用的部署构建
本文探讨了云原生技术背景下,尤其是Kubernetes和容器技术的发展,对模型推理服务带来的挑战与优化策略。文中详细介绍了Knative的弹性扩展机制,包括HPA和CronHPA,以及针对传统弹性扩展“滞后”问题提出的AHPA(高级弹性预测)。此外,文章重点介绍了Fluid项目,它通过分布式缓存优化了模型加载的I/O操作,显著缩短了推理服务的冷启动时间,特别是在处理大规模并发请求时表现出色。通过实际案例,展示了Fluid在vLLM和Qwen模型推理中的应用效果,证明了其在提高模型推理效率和响应速度方面的优势。
云原生AI加速生成式人工智能应用的部署构建
下一篇
DataWorks